用于求解多标签分类任务的最小脉冲神经元
神经与进化计算
2020-03-09 v1
摘要
多脉冲Tempotron（MST）是一种强大的单脉冲神经元模型，能够解决复杂的监督分类任务。尽管强大，它内部复杂、评估计算代价高，且不适合神经形态硬件。在此我们旨在理解是否有可能简化MST模型，同时保留其学习和处理信息的能力。为此，我们引入一类广义神经元模型（GNM），它们是脉冲响应模型的特例，比MST简单得多且模拟代价更低。我们发现，在广泛的参数范围内，GNM的学习能力至少与MST相当。我们确定膜电位的时间自相关性是使GNM能够分类多个时空模式的最关键要素。我们还将GNM解释为化学系统，从而在概念上桥接了神经网络计算与分子信息处理。我们在文末提出了针对GNM的替代训练方法，包括误差迹学习和误差反向传播。
引用
@article{arxiv.2003.02902,
title = {Minimal spiking neuron for solving multi-label classification tasks},
author = {Jakub Fil and Dominique Chu},
journal= {arXiv preprint arXiv:2003.02902},
year = {2020}
}